Validación 

cruzada

D. ABURTO M. 
1
 Objetivos
• Validar el modelo variográfico elegido.

• Validar los parámetros de la vecindad 
elegidos.

Sirve para testear diferentes modelos variográficos y 
diferentes vecindades de manera de obtener una 
estimación más robusta.

2
 Funcionamiento (1)
El principio consiste en estimar 
sucesivamente un punto de muestreo a 
partir de la información restante y de los 
parámetros elegidos (modelo variográfico
y vecindad de búsqueda).

Para ello escondemos temporalmente el 
valor de la muestra a estimar.

3
 Funcionamiento (2)
• Cálculo del error de estimación (valor 
estimado menos el valor real), en cada 
punto de muestreo.
• Se estudia la calidad de la estimación a 
partir del estudio del error de 
estimación (a través de estadísticas y 
gráficos) y del estudio del error 
estandarizado.

4
 Error de estimación
y error estandarizado
∗

5
 Tipo de análisis
• Regresión entre el valor real y el valor estimado. Debe 
ser cercana a 1 para disminuir el sesgo condicional.

• Error y error estandarizado deben ser cercanas a cero. 
Condición de insesgo.

• Varianza de los errores debe ser la más baja posible. 
Estimador preciso.

• Varianza del error estandarizado debe ser cercana a 1.

6
Regresión entre el valor 
verdadero y el estimado

7
Histograma del error

8
Ejercicio‐Error

9
Comparación estimaciones (1)
Fuente: École des Mines de Paris

• La siguiente tabla entrega tres estimaciones diferentes 
realizadas en 10 bloques de interés. En un proceso 
posterior (al momento de la explotación por ejemplo) 
se conoció de forma más certera el valor previamente 
estimado, considerando esta última medición como el 
valor verdadero 
(medido).

10
Comparación estimaciones (2)
Fuente: École des Mines de Paris

• Calcule el promedio del error de estimación por cada 
método.
• Trazar las nubes de correlación del valor verdadero en 
función del valor estimado (un gráfico por método).
• Cuáles son los métodos que entregan un estimador 
insesgado? Cuáles son bajo sesgo condicional.

11
Método 1

12
Método 2

13
Método 3

14
 Conclusiones
Ejercicio Error

• Resultados Error 1 Error 2 Error 3

• Conclusiones?
Recuerde que para un estimador 
insesgado el error de estimación ≈ 0
Recuerde que para sin sesgo 
condicional  el error de estimación ≈ 0 
y la nube debe ser “cerrada”  
(pendiente =1) (independiente del 
valor numérico“R”)
15
Validación de la estimación

D. ABURTO M.
16
 Usados en la industria minera
• Comparación de la media de los datos 
con la media de los valores estimados. 
(No olvidar efecto de alisamiento que 
produce el kriging).

• Comparación de la estimación con el 
NN. Error relativo, gráficos de derivas o 
tendencias.

17
Usados en la industria minera
• Construcción de plantas y secciones para 
contrastar con la geología.

• El uso de información posterior (pozos 
de tronadura por ejemplo) sirve para 
chequear la predictibilidad del modelo.

18
 Error relativo
∗
% Nótese a X 
como la 
Media 
Aritmética

Ejemplo en la Industria:

Nótese que el valor verdadero de la muestra es asumido como el NN; por lo  19
tanto, el error relativo es en base al promedio de la estimación KO y el NN.
Derivas o tendencias: 
Ejemplo de Sobrestimación

20
Derivas o tendencias: 
Ejemplo de Resultados Aceptables

21
 Visualización
del modelo de bloques vs muestras
Ejemplo de Sección Vertical

22